5.6 图像间的欧氏距离计算 根据每个图形返回的向量，可计算两个图形向量之间的距离，该距离称为图像的欧 式距离。欧式距离算法的核心是：设图像矩阵有 n 个元素（n个像素点），用 n个元素 值(x1，x2，...，xn)组成该图像的特征组（像素点矩阵中所有的像素点），特征组形 成了 n维空间（欧式距离就是针对多维空间的），特征组中的特征码（每一个像素点） 构成了每一维的数值，就是 x1（第一个像素点）对应一维，x2（第二个像素点）对应二 维，. . .，xn（第 n个像素点）对应 n维。在 n维空间下，两个图像矩阵各形成了一 个点，然后利用数学上的欧式距离公式计算这两个点之间的距离，距离最小者就是最匹 配的图像。 欧式距离公式： 点 A = （x1, x2, ... , xn）； 点 B = （y1, y2, ... , yn）； AB^2 = (x1-y1)^2+(x2-y2)^2+...+(xn-yn)^2； AB就是所求的 A，B两个多维空间中的点之间的距离 [16] 。效果如图 5-13所示：

基于网上整理出来方便大家使用，基于轮廓匹配的程序执行档，已加入Opencv dll 可直接运行

希望能给大家一点帮助 利用opencv进行对两幅图片的轮廓匹配

基于目标轮廓的图像匹配，首先需要能够较为准确提取目标的轮廓。能够抗一定的光照影响，遮挡影响，耗时比传统图像的模板匹配快。如果需要旋转角度的话，可以使用二分法或者每隔一定角度重复调用。 该代码是基于opencv2的，可以很方便的修改成opencv3

老外写的图像模板匹配算法，目标被遮挡也能匹配，可惜不能旋转匹配。

利用轮廓，求图像间的offset，图像库是opencv的代码，利用canny求出轮廓，然后找出两幅图的轮廓offset，即得原图的offset。

物体图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、数字、曲线、字符格式和图形自动完成识别并且进行评价的过程。图形匹配是图像识别技术的一个重要分支，图形匹配指通过对图形的图像采用特定算法。本设计以MATLAB作为实现功能的操作平台,通过结合几何HU不变矩作为中间的连接数据,再运用图像预处理和欧式距离等数学方法,用Matlab进行编程，完成各个部分的效果,实现区域图像轮廓特征数据获取,计算欧氏距离，根据物体图像几何HU不变距的相似程度实现物体识别匹配的目的。计算机模拟结果表明该方法的有效性和可行性。

基于OPENCV库，实现两幅图像中目标轮廓匹配,利用对应关键点附近轮廓段的曲率hausdorff距离匹配。

物体图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、数字、曲线、字符格式和图形自动完成识别并且进行评价的过程。图形匹配是图像识别技术的一个重要分支，图形匹配指通过对图形的图像采用特定算法。本设计以MATLAB作为实现功能的操作平台,通过结合几何HU不变矩作为中间的连接数据,再运用图像预处理和欧式距离等数学方法,用Matlab进行编程，完成各个部分的效果,实现区域图像轮廓特征数据获取,计算欧氏距离，根据物体图像几何HU不变距的相似程度实现物体识别匹配的目的。计算机模拟结果表明该方法的有效性和可行性。

把模板图像要匹配的图像（该图像可以包含多个模板图像，可以是旋转拉伸过的）路径输入后即可进行匹配，并画出匹配图像